Panel data models with randomly generated groups
具有随机生成群组的面板数据模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以动态面板异质性建模为核心，并提供收入与民主关系的宏观面板应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
具有随机生成群组的面板数据模型
- 研究问题
- 在动态面板中，如何将不可观测异质性建模为潜在群组生成机制，并同时推断未知群组数量与结构参数？
- 方法与思路
- 作者采用有限混合的混合模型，扩展 Telescoping Sampler 至带协变量的动态面板，开展贝叶斯推断与后验收缩分析。
- 材料陈述的贡献
- 摘要称，混合测度后验在 Wasserstein 距离下以参数速率收缩，并在收入与民主应用中发现加入额外协变量后的潜在异质性。
- 阅读关注点
- 应核对动态面板的初始条件处理、群组可识别性、先验及渐近设置，并检查后验收缩如何支持群组与结构参数恢复。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明收缩定理条件或模拟数值，不能判断群组恢复的适用范围。
原文摘要
We develop a structural framework for modeling and inferring unobserved heterogeneity in dynamic panel-data models. Unlike methods treating clustering as a descriptive device, we model heterogeneity as arising from a latent clustering mechanism, where the number of clusters is unknown and estimated. Building on the mixture of finite mixtures (MFM) approach, our method avoids the clustering inconsistency issues of Dirichlet process mixtures and provides an interpretable representation of the population clustering structure. We extend the Telescoping Sampler of Fruhwirth-Schnatter et al. (2021) to dynamic panels with covariates, yielding an efficient MCMC algorithm that delivers full Bayesian inference and credible sets. We show that asymptotically the posterior distribution of the mixing measure contracts around the truth at parametric rates in Wasserstein distance, ensuring recovery of clustering and structural parameters. Simulations demonstrate strong finite-sample performance. Finally, an application to the income-democracy relationship reveals latent heterogeneity only when controlling for additional covariates.